Coding

FrontierSWE v2

长时间工程能力：在 20 小时内完成高难度软件、科研与视觉任务

它测什么

FrontierSWE v2 由 Proximal Labs 推出，考察编程 Agent 能否长时间自主推进复杂项目。它包含 34 个任务，覆盖系统实现、性能优化、科学计算、视觉推理和 AI 研究，每项任务运行 5 次，每次最多 20 小时。

你可以把它理解成一场持续一整天的工程挑战：不是回答“怎么写”，而是实际写出程序、测试、发现问题并反复改进。例如，用 Zig 重新实现 Git，在 SQLite 上构建兼容 PostgreSQL 的服务，使用 Remotion 复刻一段视频，或训练仅凭摄像头画面驾驶赛车的机器人。

官方使用 Proximus 框架，为模型提供 Linux 环境，部分任务配有 GPU；框架支持查看图片、压缩上下文和保存候选提交，鼓励模型在剩余时间内继续优化。成绩由自动验证器根据最终成果计算，因此反映的是模型与这套 Agent 框架组合的表现，不等同于它在 Codex 或 Claude Code 中的表现。

怎么看分数

每项任务先得到 0–1 的分数，再将五次试验的平均成绩跨任务汇总为 mean@5，以百分比显示；65% 不代表完整解决了 65% 的任务。分数下方的 worst@5–best@5 是每项任务五次试验中最差与最好成绩汇总后的范围，不是 95% 置信区间。费用以美元计，耗时以小时计，均为单次试验的平均值，不是跑完整套评测的总开销。本页收录官网主榜 All 视图的全部 23 个模型，统一使用主榜的得分、费用和耗时口径；分析图与主榜的汇总值有细微差异，未混用。v2 新增 21 项任务、移除 4 项旧任务，且改变了评分方式，不能与 v1 的排名直接比较。官方仓库已公开任务，但独立运行器与公共预构建镜像仍标为待发布。

来源Proximal Labs · FrontierSWE

官方方法说明与任务示例

模型表现

核对于 2026年11月1日23 条成绩

FrontierSWE v2 — 模型表现。选择列标题可排序。

GPT-6 AstraOpenAIAgent · Proximus	Proximus	65.5%55.1–73.0%worst–best@5	$1,029.65	12.1 小时
Claude Opus 5.5AnthropicAgent · Proximus	Proximus	62.3%52.0–71.5%worst–best@5	$98.87	14.2 小时
Claude Sonnet 5.5AnthropicAgent · Proximus	Proximus	61.9%50.9–71.7%worst–best@5	$110.45	16.0 小时
Gemini 4 CarbonGoogleAgent · Proximus	Proximus	61.2%56.2–66.7%worst–best@5	$61.93	12.6 小时
Claude Fable 5.1AnthropicAgent · Proximus	Proximus	56.3%¹44.5–66.7%worst–best@5	$138.55	11.6 小时
Gemini 4 ArgonGoogleAgent · Proximus	Proximus	55.0%²44.5–64.3%worst–best@5	$129.36	10.6 小时
Claude Opus 5AnthropicAgent · Proximus	Proximus	52.0%39.1–60.7%worst–best@5	$196.71	16.1 小时
Claude Fable 5AnthropicAgent · Proximus	Proximus	47.0%33.9–61.8%worst–best@5	$301.28	15.8 小时
Claude Haiku 5.5AnthropicAgent · Proximus	Proximus	43.8%34.5–52.8%worst–best@5	$20.55	12.4 小时
GPT-5.6 SolOpenAIAgent · Proximus	Proximus	32.2%22.2–44.2%worst–best@5	$179.64	8.6 小时
GLM-5.3Z AIAgent · Proximus	Proximus	30.2%17.7–40.6%worst–best@5	$97.22	17.0 小时
Grok 4.7xAIAgent · Proximus	Proximus	29.5%15.9–41.1%worst–best@5	$318.77	12.1 小时
Kimi K3Moonshot AIAgent · Proximus	Proximus	25.9%13.9–37.6%worst–best@5	$109.71	18.4 小时
Muse Spark 1.3MetaAgent · Proximus	Proximus	25.8%12.6–40.9%worst–best@5	$243.34	17.0 小时
Grok 4.6xAIAgent · Proximus	Proximus	25.3%12.9–37.3%worst–best@5	$243.43	13.8 小时
Gemini 3.7 FlashGoogleAgent · Proximus	Proximus	20.3%10.3–31.2%worst–best@5	$34.14	7.9 小时
Gemini 3.8 FlashGoogleAgent · Proximus	Proximus	19.6%9.5–31.6%worst–best@5	$38.75	7.2 小时
GLM-5.3 FlashZ AIAgent · Proximus	Proximus	18.1%8.6–28.4%worst–best@5	$11.03	16.4 小时
Qwen3.8-Max-0902AlibabaAgent · Proximus	Proximus	17.8%8.1–26.8%worst–best@5	$51.27	19.4 小时
Qwen3.8-MaxAlibabaAgent · Proximus	Proximus	15.8%8.7–24.3%worst–best@5	$55.14	18.5 小时
DeepSeek V4 Flash Vision ExpDeepSeekAgent · Proximus	Proximus	14.8%7.0–26.5%worst–best@5	$8.57	14.8 小时
Muse Spark 1.2MetaAgent · Proximus	Proximus	12.0%6.8–18.4%worst–best@5	$27.81	4.6 小时
InklingThinking MachinesAgent · Proximus	Proximus	4.1%0.1–10.8%worst–best@5	$9.15	1.2 小时